根據水利部水利水電規劃設計管理局水總局科[2004]11號文下達的水利水電勘測設計技術標準修訂工作安排，對《水泵模型驗收試驗規程》（SL140—97）進行修訂，將標準名稱改為《水泵模型及裝置模型驗收試驗規程》。

本標準共8章12節102條和3個附錄，主要技術內容包括：

——總則；

——術語、符號及計量單位；

——試驗臺；

——水泵模型及裝置模型；

——參數測量方法及不確定度；

——驗收試驗；

——保證值的驗證及原型泵性能換算；

——試驗大綱與試驗報告的編制。

本次修訂的主要內容包括：

——標準名稱改為《水泵模型及裝置模型驗收試驗規程》，突出水泵裝置模型試驗的重要性；

——在前引部分，增加了前言及基本信息，取消了原規程中的附加說明；

——在“總則”中，更新2個引用標準，刪除過時或重復性的標準；

——在“試驗臺”中，提高了對模型試驗臺精度的規定，即模型效率的允許總不確定度由原規程的士1.3%提高至士0.4%；

——在“水泵模型”中，增加了“裝置模型”并對水泵模型及裝置模型的范圍作了更明確的規定，還增加了水泵模型及裝置模型尺寸允差的圖、表；

——在“原型泵性能換算”中，增加了保證值的驗證部分；

——修訂了有關條文說明和附錄；

——對原規程中局部結構和文字進行了修改，如“性能”改為“能量”，“汽蝕”改為“空化”，“汽蝕余量”改為“空化余量”，“誤差”改為“不確定度”等。

1　總則

2　術語、符號及計量單位

3　試驗臺

4　水泵模型及裝置模型

5　參數測量方法及不確定度

5.1　流量測量及不確定度

5.2　揚程測量及不確定度

5.3　軸功率測量及不確定度

5.4　轉速測量及不確定度

5.5　其他參數測量及不確定度

5.6　總的測量參數不確定度

6　驗收試驗

6.1　能量試驗

6.2　空化試驗

6.3　飛逸特性試驗

6.4　水壓脈動試驗

7　保證值的驗證及原型泵性能換算

7.1　保證值的驗證

7.2　原型泵性能換算

8　試驗大綱與試驗報告的編制

附錄A　水的物理性質與重力加速度

附錄B　試驗不確定度分析與估算

附錄C　試驗結果與主要保證值比較

標準用詞說明

條文說明

2100433B

《閘門水力模型試驗規程(SL159-2012)》由中國水利水電出版社出版。

圖1是根據《神經網絡模型壓縮方法以及裝置》一個實施例的神經網絡模型壓縮方法的流程圖；

圖2是根據《神經網絡模型壓縮方法以及裝置》一個實施例的神經網絡模型壓縮方法的流程圖；

圖3是根據《神經網絡模型壓縮方法以及裝置》一個實施例的神經網絡模型壓縮裝置的結構示意圖；

圖4是根據《神經網絡模型壓縮方法以及裝置》一個具體實施例的神經網絡模型壓縮裝置的結構示意圖；

圖5是根據《神經網絡模型壓縮方法以及裝置》另一個具體實施例的神經網絡模型壓縮裝置的結構示意圖；

圖6是根據《神經網絡模型壓縮方法以及裝置》又一個具體實施例的神經網絡模型壓縮裝置的結構示意圖 。

神經網絡模型壓縮方法以及裝置專利目的

《神經網絡模型壓縮方法以及裝置》的第一個目的在于提出一種神經網絡模型壓縮方法。該方法可以更好地保持模型效果，大大減少了神經網絡模型的大小，減少了計算資源，特別是減少了內存資源的占用。

《神經網絡模型壓縮方法以及裝置》的第二個目的在于提出一種神經網絡模型壓縮裝置。

《神經網絡模型壓縮方法以及裝置》的第三個目的在于提出一種非臨時性計算機可讀存儲介質。

《神經網絡模型壓縮方法以及裝置》的第四個目的在于提出一種計算機程序產品 。

神經網絡模型壓縮方法以及裝置技術方法

《神經網絡模型壓縮方法以及裝置》第一方面實施例提出的神經網絡模型壓縮方法，包括：針對神經網絡模型中的每一個神經元層，確定所述每個神經元層的模型參數集合，其中，所述模型參數集合包含多個模型參數；對所述多個模型參數進行第一變換以生成多個中間參數；根據預設的量化步長對所述多個中間參數進行量化，得到多個量化參數；根據預設的量化位數，從所述多個量化參數中選取多個采樣量化點；根據所述多個量化參數的值和所述多個采樣量化點，生成所述多個模型參數的量化值；根據所述量化值對所述多個模型參數進行壓縮存儲。

《神經網絡模型壓縮方法以及裝置》實施例的神經網絡模型壓縮方法，針對神經網絡模型中的每一個神經元層，確定每個神經元層的模型參數集合，其中，模型參數集合包含多個模型參數，之后，對多個模型參數進行第一變換以生成多個中間參數，并根據預設的量化步長對多個中間參數進行量化，得到多個量化參數，然后，根據預設的量化位數，從多個量化參數中選取多個采樣量化點，之后，根據多個量化參數的值和多個采樣量化點，生成多個模型參數的量化值，最后，根據量化值對多個模型參數進行壓縮存儲。即根據需要壓縮的數據調節量化步長，并根據預設的量化位數，從排列在多個量化參數的靠前位置開始采取采樣量化點，可以更加充分的對壓縮數據進行采樣，更好地保留重要的權值信息，更好地保持模型效果，大大減少了神經網絡模型的大小，減少了計算資源，特別是減少了內存資源的占用。

《神經網絡模型壓縮方法以及裝置》第二方面實施例提出的神經網絡模型壓縮裝置，包括：確定模塊，用于針對神經網絡模型中的每一個神經元層，確定所述每個神經元層的模型參數集合，其中，所述模型參數集合包含多個模型參數；第一變換模塊，用于對所述多個模型參數進行第一變換以生成多個中間參數；量化模塊，用于根據預設的量化步長對所述多個中間參數進行量化，得到多個量化參數；采樣模塊，用于根據預設的量化位數，從所述多個量化參數中選取多個采樣量化點；生成模塊，用于根據所述多個量化參數的值和所述多個采樣量化點，生成所述多個模型參數的量化值；壓縮模塊，用于根據所述量化值對所述多個模型參數進行壓縮存儲。

《神經網絡模型壓縮方法以及裝置》實施例的神經網絡模型壓縮裝置，可通過確定模塊針對神經網絡模型中的每一個神經元層，確定每個神經元層的模型參數集合，其中，模型參數集合包含多個模型參數，第一變換模塊對多個模型參數進行第一變換以生成多個中間參數，量化模塊根據預設的量化步長對多個中間參數進行量化，得到多個量化參數，采樣模塊根據預設的量化位數，從多個量化參數中選取多個采樣量化點，生成模塊根據多個量化參數的值和多個采樣量化點，生成多個模型參數的量化值，壓縮模塊根據量化值對多個模型參數進行壓縮存儲。即根據需要壓縮的數據調節量化步長，并根據預設的量化位數，從排列在多個量化參數的靠前位置開始采取采樣量化點，可以更加充分的對壓縮數據進行采樣，更好地保留重要的權值信息，更好地保持模型效果，大大減少了神經網絡模型的大小，減少了計算資源，特別是減少了內存資源的占用。

《神經網絡模型壓縮方法以及裝置》第三方面實施例提出的非臨時性計算機可讀存儲介質，當所述存儲介質中的指令由電子設備的處理器被執行時，使得電子設備能夠執行一種神經網絡模型壓縮方法，所述方法包括：針對神經網絡模型中的每一個神經元層，確定所述每個神經元層的模型參數集合，其中，所述模型參數集合包含多個模型參數；對所述多個模型參數進行第一變換以生成多個中間參數；根據預設的量化步長對所述多個中間參數進行量化，得到多個量化參數；根據預設的量化位數，從所述多個量化參數中選取多個采樣量化點；根據所述多個量化參數的值和所述多個采樣量化點，生成所述多個模型參數的量化值；根據所述量化值對所述多個模型參數進行壓縮存儲。

《神經網絡模型壓縮方法以及裝置》第四方面實施例提出的計算機程序產品，當所述計算機程序產品中的指令處理器執行時，執行一種神經網絡模型壓縮方法，所述方法包括：針對神經網絡模型中的每一個神經元層，確定所述每個神經元層的模型參數集合，其中，所述模型參數集合包含多個模型參數；對所述多個模型參數進行第一變換以生成多個中間參數；根據預設的量化步長對所述多個中間參數進行量化，得到多個量化參數；根據預設的量化位數，從所述多個量化參數中選取多個采樣量化點；根據所述多個量化參數的值和所述多個采樣量化點，生成所述多個模型參數的量化值；根據所述量化值對所述多個模型參數進行壓縮存儲。

《神經網絡模型壓縮方法以及裝置》附加的方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過《神經網絡模型壓縮方法以及裝置》的實踐了解到 。